局部短期电力负荷预测：自动化方法
最优化与控制
2017-02-28 v1
摘要
短期负荷预测 (STLF) 是电力系统高效管理的基本组成部分，在过去50年中得到了深入研究。智能电网技术的兴起为STLF带来了新的挑战与机遇。通过数千个智能电表以更高的地理粒度和频率收集的负荷数据，使我们能够构建更准确的局部负荷预测模型，这对于通过需求侧管理进行电力负荷的局部优化至关重要。在本文中，我们展示了现有的几种STLF方法为何不适用于局部负荷预测，原因在于训练时间长、优化过程不稳定或对超参数敏感。因此，我们选择了五种适用于局部STLF的模型，这些模型可以在用户极少干预的情况下在不同的时间序列上进行训练。由在不同位置和聚合层级收集的40个时间序列组成的实验表明，年度模式和温度信息仅对高聚合层级的STLF有用。在局部STLF任务中，与更复杂的方法相比，本文提出的双季节Holt-Winter改进版仅需3个月的训练数据即可表现良好。
关键词
引用
@article{arxiv.1702.08025,
title = {Local Short Term Electricity Load Forecasting: Automatic Approaches},
author = {The-Hien Dang-Ha and Filippo Maria Bianchi and Roland Olsson},
journal= {arXiv preprint arXiv:1702.08025},
year = {2017}
}